本發(fā)明涉及屋頂光伏檢測(cè)，具體為一種基于衛(wèi)星遙感影像的屋頂光伏檢測(cè)與辨識(shí)方法及系統(tǒng)。
背景技術(shù)：
1、隨著全球能源危機(jī)的加劇和可持續(xù)發(fā)展需求的提升，太陽能作為一種清潔、可再生的能源，得到了廣泛關(guān)注。特別是在屋頂光伏系統(tǒng)的推廣應(yīng)用中，屋頂太陽能電池板的安裝數(shù)量迅速增加，成為城市電力系統(tǒng)的重要組成部分。為了準(zhǔn)確、高效地監(jiān)測(cè)和評(píng)估這些分布式光伏系統(tǒng)的運(yùn)行狀態(tài)及其效能，開展高效的屋頂光伏檢測(cè)和辨識(shí)工作變得尤為重要。
2、傳統(tǒng)的屋頂光伏檢測(cè)方式依賴人工巡檢或地面測(cè)量，效率低、成本高，且在偏遠(yuǎn)地區(qū)或復(fù)雜地形區(qū)域，人工檢測(cè)存在較大的安全風(fēng)險(xiǎn)和困難。因此，基于衛(wèi)星遙感影像進(jìn)行光伏資源的自動(dòng)化檢測(cè)和辨識(shí)成為了一種更為高效的解決方案。遙感影像不僅能夠提供大范圍、高精度的地面信息，還能夠避免人工巡檢中的諸多不便和安全隱患。
3、然而，由于屋頂光伏系統(tǒng)的多樣性和復(fù)雜性，尤其是在不同光照、氣候和環(huán)境條件下，現(xiàn)有的遙感影像分析方法面臨著不少挑戰(zhàn)。例如，太陽能電池板的形狀、顏色、紋理和尺寸特征存在很大的差異，傳統(tǒng)的圖像處理方法難以滿足高精度的自動(dòng)檢測(cè)要求。
4、近年來，隨著深度學(xué)習(xí)技術(shù)的發(fā)展，尤其是卷積神經(jīng)網(wǎng)絡(luò)(cnn)在圖像識(shí)別中的應(yīng)用取得了顯著進(jìn)展，目標(biāo)檢測(cè)算法如yolo系列模型在多個(gè)領(lǐng)域的應(yīng)用效果良好。yolov5作為一種高效的目標(biāo)檢測(cè)模型，憑借其較高的準(zhǔn)確性、實(shí)時(shí)性和較低的計(jì)算需求，成為圖像識(shí)別領(lǐng)域中的重要工具。然而，yolov5在光伏資源檢測(cè)中的應(yīng)用仍面臨一定的挑戰(zhàn)，如數(shù)據(jù)預(yù)處理、圖像增強(qiáng)、模型訓(xùn)練等方面的問題，需要進(jìn)一步優(yōu)化和改進(jìn)，以提高在衛(wèi)星遙感影像中的檢測(cè)效果。
技術(shù)實(shí)現(xiàn)思路
1、鑒于上述存在的問題，提出了本發(fā)明。
2、因此，本發(fā)明解決的技術(shù)問題是：現(xiàn)有的屋頂光伏資源檢測(cè)方法存在精度不足、數(shù)據(jù)處理復(fù)雜、環(huán)境適應(yīng)性差等問題。
3、為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：一種基于衛(wèi)星遙感影像的屋頂光伏檢測(cè)與辨識(shí)方法，包括：
4、對(duì)分布式光伏進(jìn)行特征分析，構(gòu)建分布式光伏數(shù)據(jù)集；
5、構(gòu)建yolov5模型，并對(duì)分布式光伏數(shù)據(jù)集進(jìn)行數(shù)據(jù)預(yù)處理；
6、通過yolov5模型對(duì)光伏資源辨識(shí)，并對(duì)辨識(shí)結(jié)果進(jìn)行評(píng)估分析。
7、作為本發(fā)明所述的基于衛(wèi)星遙感影像的屋頂光伏檢測(cè)與辨識(shí)方法的一種優(yōu)選方案，其中：所述對(duì)分布式光伏進(jìn)行特征分析包括，光照強(qiáng)度特征分析、太陽能板的形狀特征分析、紋理特征分析、顏色特征分析和尺寸特征分析；
8、所述光照強(qiáng)度特征分析包括，計(jì)算圖像的亮度值，并統(tǒng)計(jì)圖像的亮度分布；
9、計(jì)算圖像的亮度值的公式表示為：
10、
11、其中，l表示圖像亮度值，r表示圖像中每個(gè)像素的紅分量、g表示圖像中每個(gè)像素的綠分量、b表示圖像中每個(gè)像素的藍(lán)分量；表示圖像在位置(x,y)處的梯度，α表示調(diào)節(jié)參數(shù)；
12、l的值域?yàn)閇0,255]，表示亮度的范圍；
13、統(tǒng)計(jì)圖像的亮度分布包括，計(jì)算圖像亮度值的均值μl、標(biāo)準(zhǔn)差σl、最大值lmax和最小值lmin；
14、所述分布式光伏數(shù)據(jù)集包括，光照強(qiáng)度特征、形狀特征、紋理特征、顏色特征和尺寸特征。
15、作為本發(fā)明所述的基于衛(wèi)星遙感影像的屋頂光伏檢測(cè)與辨識(shí)方法的一種優(yōu)選方案，其中：所述yolov5模型包括輸入端、主干網(wǎng)絡(luò)、neck網(wǎng)絡(luò)、head輸出層；
16、所述數(shù)據(jù)預(yù)處理包括圖像的縮放與填充、圖像歸一化、圖像數(shù)據(jù)增強(qiáng)和標(biāo)簽調(diào)整；
17、所述圖強(qiáng)增強(qiáng)包括根據(jù)所述光照強(qiáng)度特征分析，將圖像分類；
18、當(dāng)μl∈[120,180]且σl∈[0,30]，且lmax和lmin不接近圖像亮度邊界值時(shí)，圖像為正常光照類別，直接進(jìn)行光伏板識(shí)別；
19、當(dāng)μl<80且σl>40，且lmin接近0時(shí)，圖像為逆光類別，增加亮度并降低對(duì)比度；
20、當(dāng)lmin<80且σl>30，并且圖像的亮度低于均值時(shí)，圖像為陰影類別，提高局部亮度和對(duì)比度，突出陰影區(qū)域中的光伏板細(xì)節(jié)；
21、當(dāng)lmax>220且σl<30時(shí)，圖像為強(qiáng)光類別，減小局部對(duì)比度，恢復(fù)細(xì)節(jié)。
22、作為本發(fā)明所述的基于衛(wèi)星遙感影像的屋頂光伏檢測(cè)與辨識(shí)方法的一種優(yōu)選方案，其中：所述yolov5模型的輸入端包括，輸入的圖像；
23、對(duì)圖像的預(yù)處理，mosaic數(shù)據(jù)增強(qiáng)和自適應(yīng)錨框計(jì)算。
24、作為本發(fā)明所述的基于衛(wèi)星遙感影像的屋頂光伏檢測(cè)與辨識(shí)方法的一種優(yōu)選方案，其中：所述yolov5模型的主干網(wǎng)絡(luò)為輕量級(jí)的卷積神經(jīng)網(wǎng)絡(luò)，包括cspdarknet53、focus結(jié)構(gòu)和快速空間金字塔池化模塊。
25、作為本發(fā)明所述的基于衛(wèi)星遙感影像的屋頂光伏檢測(cè)與辨識(shí)方法的一種優(yōu)選方案，其中：所述yolov5模型的neck網(wǎng)絡(luò)采用fpn+pan結(jié)構(gòu)和csp2_x結(jié)構(gòu)；
26、所述yolov5模型的head輸出層采用ciou損失作為邊界框的損失函數(shù)，采用二元交叉熵?fù)p失函數(shù)計(jì)算分類率和置信度損失。
27、作為本發(fā)明所述的基于衛(wèi)星遙感影像的屋頂光伏檢測(cè)與辨識(shí)方法的一種優(yōu)選方案，其中：通過yolov5模型對(duì)光伏資源辨識(shí)包括，通過訓(xùn)練后的yolov5模型，對(duì)選定樣本數(shù)據(jù)集進(jìn)行圖像處理、模型訓(xùn)練，并對(duì)模型的辨識(shí)結(jié)果進(jìn)行評(píng)估與驗(yàn)證；
28、所述樣本數(shù)據(jù)集包括rsod數(shù)據(jù)集、dior數(shù)據(jù)集、image?net10圖像識(shí)別數(shù)據(jù)集以及部分google?earth歷史衛(wèi)星影像；
29、通過yolov5模型對(duì)訓(xùn)練集的訓(xùn)練，得到兩個(gè)網(wǎng)絡(luò)模型權(quán)重訓(xùn)練文件，歷史最好權(quán)重best.pt和最近權(quán)重last.pt，作為驗(yàn)證測(cè)試文件。
30、作為本發(fā)明所述的基于衛(wèi)星遙感影像的屋頂光伏檢測(cè)與辨識(shí)方法的一種優(yōu)選方案，其中：
31、數(shù)據(jù)模塊，對(duì)分布式光伏進(jìn)行特征分析，構(gòu)建分布式光伏數(shù)據(jù)集；
32、預(yù)處理模塊，構(gòu)建yolov5模型，并對(duì)分布式光伏數(shù)據(jù)集進(jìn)行數(shù)據(jù)預(yù)處理；
33、分析模塊，通過yolov5模型對(duì)光伏資源辨識(shí)，并對(duì)辨識(shí)結(jié)果進(jìn)行評(píng)估分析。
34、一種計(jì)算機(jī)設(shè)備，包括：存儲(chǔ)器和處理器；所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，其特征在于：所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)本發(fā)明中任一項(xiàng)所述的方法的步驟。
35、一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于：所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)本發(fā)明中任一項(xiàng)所述的方法的步驟。
36、本發(fā)明的有益效果：本發(fā)明提供的基于衛(wèi)星遙感影像的屋頂光伏檢測(cè)與辨識(shí)方法通過利用yolov5模型對(duì)衛(wèi)星遙感影像進(jìn)行高效處理與分析，能夠準(zhǔn)確、快速地識(shí)別屋頂光伏資源，提升了光伏檢測(cè)的精度與效率。通過特征分析與深度學(xué)習(xí)技術(shù)的結(jié)合，能夠有效克服傳統(tǒng)人工檢測(cè)的局限性，減少人工成本，縮短檢測(cè)周期，同時(shí)提高檢測(cè)結(jié)果的可靠性與科學(xué)性。
1.一種基于衛(wèi)星遙感影像的屋頂光伏檢測(cè)與辨識(shí)方法，其特征在于，包括：
2.如權(quán)利要求1所述的基于衛(wèi)星遙感影像的屋頂光伏檢測(cè)與辨識(shí)方法，其特征在于：所述對(duì)分布式光伏進(jìn)行特征分析包括，光照強(qiáng)度特征分析、太陽能板的形狀特征分析、紋理特征分析、顏色特征分析和尺寸特征分析；
3.如權(quán)利要求2所述的基于衛(wèi)星遙感影像的屋頂光伏檢測(cè)與辨識(shí)方法，其特征在于：所述yolov5模型包括輸入端、主干網(wǎng)絡(luò)、neck網(wǎng)絡(luò)、head輸出層；
4.如權(quán)利要求3所述的基于衛(wèi)星遙感影像的屋頂光伏檢測(cè)與辨識(shí)方法，其特征在于：所述yolov5模型的輸入端包括，輸入的圖像；
5.如權(quán)利要求4所述的基于衛(wèi)星遙感影像的屋頂光伏檢測(cè)與辨識(shí)方法，其特征在于：所述yolov5模型的主干網(wǎng)絡(luò)為輕量級(jí)的卷積神經(jīng)網(wǎng)絡(luò)，包括cspdarknet53、focus結(jié)構(gòu)和快速空間金字塔池化模塊。
6.如權(quán)利要求5所述的基于衛(wèi)星遙感影像的屋頂光伏檢測(cè)與辨識(shí)方法，其特征在于：所述yolov5模型的neck網(wǎng)絡(luò)采用fpn+pan結(jié)構(gòu)和csp2_x結(jié)構(gòu)；
7.如權(quán)利要求6所述的基于衛(wèi)星遙感影像的屋頂光伏檢測(cè)與辨識(shí)方法，其特征在于：通過yolov5模型對(duì)光伏資源辨識(shí)包括，通過訓(xùn)練后的yolov5模型，對(duì)選定樣本數(shù)據(jù)集進(jìn)行圖像處理、模型訓(xùn)練，并對(duì)模型的辨識(shí)結(jié)果進(jìn)行評(píng)估與驗(yàn)證；
8.一種采用如權(quán)利要求1-7任一所述方法的基于衛(wèi)星遙感影像的屋頂光伏檢測(cè)與辨識(shí)系統(tǒng)，其特征在于：
9.一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，其特征在于：所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)權(quán)利要求1～7任一所述的基于衛(wèi)星遙感影像的屋頂光伏檢測(cè)與辨識(shí)方法的步驟。
10.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于：所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)權(quán)利要求1～7任一所述的基于衛(wèi)星遙感影像的屋頂光伏檢測(cè)與辨識(shí)方法的步驟。